Точная оценка добычи является сложной задачей, что ограничивает эффективную разработку месторождений нефти, особенно в условиях нерешенности проблемы взаимодействия существующих и новых скважин. Сложность получения таких оценок заключается в неопределенности пластовых условий, в том числе характера взаимовлияния скважин. В статье приведены результаты анализа связанности пласта на основе оценки взаимовлияния скважин в динамике. Эмпирической базой для построения моделей стали ежедневные данные о добыче жидкости, пластовом и забойном давлении по 82 добывающим скважинам одного месторождения в динамике с января 1997 г. по октябрь 1999 г.. Анализ предусматривал оценку пространственной автокорреляции ежедневного дебита жидкости добывающих скважин с помощью индекса Морана и построение пространственно-панельной модели с пространственной и лаговой компонентами с фиксированными эффектами. Выбор спецификации модели осуществлялся на основе тестов Балтаги – Сонга – Коха и Хаусмана. Расчеты показали наличие положительной пространственной авторегрессионной зависимости средней добычи жидкости скважины с добычей соседних скважин, более сильно проявляющуюся на расстоянии 750 м, нежели 1000 м. Построенная модель показала отрицательную пространственную связь продуктивности скважин при наличии не учтенных в модели факторов, имеющих положительное пространственное влияние на соседние скважины в условиях влияния пластового и забойного давлений. Показано, что пространственные модели, построенные на панельных данных, пригодны для прогнозирования и позволяют учитывать как пространственную, так и временную изменчивость продуктивности расположенных по соседству скважин.
Список литературы
1. Montgomery J.B., O’Sullivan F.M. Spatial variability of tight oil well productivity and the impact of technology // Applied Energy. – 2017. – V. 195. – P. 344–355. http://doi.org/10.1016/j.apenergy.2017.03.038
2. Zhang Y., Hu J., Zhang Q. Application of locality preserving projection-based unsupervised learning in predicting the oil production for low-permeability reservoirs // SPE-201231-PA. - 2021. - http://doi.org/10.2118/201231-PA
3. Ahmadi M.A., Galedarzadeh M., Shadizadeh S.R. Low parameter model to monitor bottom hole pressure in vertical multiphase flow in oil production wells // Petroleum. – 2016. – V. 2(3). – P. 258–266. - http://doi.org/10.1016/j.petlm.2015.08.001
4. A review on application of data-driven models in hydrocarbon production forecast / Ch. Cao, P. Jia, L. Cheng [et al.] // Journal of Petroleum Science and Engineering. – 2022. – V. 212. – 110296 p. http://doi.org/10.1016/j.petrol.2022.110296
5. Attanasi E.D., Freeman P.A. Growth drivers of Bakken oil well productivity // Natural Resources Research. – 2020. – V. 29. – P. 1471-1486. http://doi.org/10.1007/s11053-019-09559-5
6. Бахитов Р.Р. Применение алгоритмов машинного обучения в задачах прогноза коэффициента продуктивности скважин карбонатных месторождений // Нефтяное хозяйство. – 2019. – № 9. – С. 82–85. - http://doi.org/10.24887/0028-2448-2019-9-82-85
7. Evaluating the relationship between well parameters and production using multivariate statistical models: a Middle Bakken and Three Forks case history / E. Lolon, K. Hamidieh, L. Weijers [et al.] // SPE-179171-MS. – 2016. - https://doi.org/10.2118/179171-MS
8. Application of geographically weighted regression to model the effect of completion parameters on oil production – case study on unconventional wells / M.E. Wigwe, M.C. Watson, A. Giussani [et al.] // SPE–198847–MS. – 2019. - https://doi.org/10.2118/198847-MS
9. Comparative evaluation of multi-basin production performance and application of spatio-temporal models for unconventional oil and gas production prediction / M.E. Wigwe, E.S. Bougre, M.C. Watson, A. Giussani // Journal of Petroleum Exploration and Production Technology. – 2020. – V. 10(8). – P. 3091–3110. - http://doi.org/10.1007/s13202-020-00960
10. Malanichev A. Limits of technological efficiency of shale oil production in the USA // Foresight and STI Governance. – 2018. – V. 12(4). – P. 78–89. - http://doi.org/10.17323/2500-2597.2018.4.78.89
11. Millo G., Piras G. Splm: Spatial Panel Data Models in R // Journal of Statistical Software. – 2012. – V. 47(01). – P. 1–38. - http://doi.org/10.18637/jss.v047.i01
